Skumulowane efekty lokalne i grafowe sieci neuronowe do przewidywania łączy

Dlaczego zrozumienie ukrytych połączeń ma znaczenie

Wiele systemów kształtujących nasze życie — media społecznościowe, współprace naukowe, sieci mózgowe, nawet sam internet — można opisać jako sieci połączonych punktów. Kluczowe pytanie brzmi, które nowe połączenia prawdopodobnie powstaną w przyszłości, na przykład kto z kim podejmie współpracę albo która praca citationuje którą. Nowoczesne grafowe sieci neuronowe są potężnym narzędziem do takiego „przewidywania łączy”, ale jednocześnie są czarnymi skrzynkami: działają dobrze, lecz trudno stwierdzić, dlaczego podjęły konkretną decyzję. Artykuł rozwiązuje ten problem, adaptując ogólną technikę wyjaśniania, dzięki czemu możemy zobaczyć, jak zmiana pojedynczej cechy węzła wpływa na szanse pojawienia się łączy do niego.

Od prostych miar do nieprzejrzystych „mózgów” grafowych

Wczesna nauka o sieciach opierała się na prostych regułach zgadywania brakujących lub przyszłych łączy. Na przykład dwie osoby mające wielu wspólnych znajomych są bardziej skłonne zostać znajomymi, a silnie połączone strony internetowe mają tendencję do przyciągania kolejnych linków. W ciągu ostatniej dekady te ręcznie skonstruowane miary zostały zastąpione przez metody uczące się zwarte, numeryczne opisy, czyli osadzenia (embeddings) każdego węzła. Grafowe sieci neuronowe idą dalej: wielokrotnie przekazują komunikaty wzdłuż krawędzi, tak że osadzenie każdego węzła zbiera informacje od sąsiadów i ich sąsiadów. Dzięki temu świetnie nadają się do przewidywania łączy, ale również sprawiają, że ich wewnętrzne działanie jest plątane i trudne do interpretacji.

Jak pojedyncza cecha wpływa na przewidywania

Poza światem grafów jedną z popularnych metod interpretacji czarnych skrzynek są Skumulowane Efekty Lokalne (ALE). Zamiast jedynie wskazywać, które cechy są ważne, ALE bada, jak zmienia się przewidywanie modelu, gdy delikatnie podniesiesz lub obniżysz jedną cechę w zakresie jej możliwych wartości, a następnie akumuluje te lokalne zmiany w gładką krzywą. Autorzy adaptują ALE do przewidywania łączy w grafowych sieciach neuronowych, modyfikując po kolei cechę pojedynczego węzła i sprawdzając, jak zmienia się przewidywane prawdopodobieństwo łączy między tym węzłem a wieloma innymi. Powstaje wizualizacja, która pokazuje na przykład, jak zwiększenie udziału autorów z wielkich firm technologicznych w pracy albo zmiana pionowej pozycji odcinka naczynia w mózgu przesuwa oszacowane przez model prawdopodobieństwo połączenia.

Dwa sposoby obliczania efektów: dokładny i szybki

Grafowe sieci neuronowe dodają do ALE dodatkowy niuans: gdy zmieniasz wiele węzłów jednocześnie, mogą one wzajemnie się wpływać poprzez przekazywanie komunikatów, potencjalnie zniekształcając wyjaśnienie. Autorzy porównują więc dwie strategie. W wersji „dokładnej” cecha każdego węzła jest modyfikowana izolowanie, tak by żadne dwie zmienione jednostki nie „zanieczyszczały” swoich osadzeń — ale to jest obliczeniowo kosztowne. W wersji „przybliżonej” wiele węzłów zmienia się jednocześnie, traktując dane bardziej jak zwykłą tabelę i ignorując te interakcje; jest to dużo szybsze, lecz może wprowadzać uprzedzenie. Poprzez systematyczne zmienianie liczby modyfikowanych węzłów i liczby potencjalnych partnerów, na których są testowane, autorzy mierzą, jak te decyzje wpływają na krzywe ALE.

Testy na grafach syntetycznych i rzeczywistych danych

Aby sprawdzić dokładność, zespół najpierw buduje sieć syntetyczną, gdzie znana jest prawdziwa reguła rządząca tworzeniem łączy: krawędzie są bardziej prawdopodobne, gdy specjalna cecha „sygnał” ma wysoką wartość na obu końcach. Tutaj mogą porównać krzywe ALE bezpośrednio z prawdą. Stwierdzają, że wraz ze wzrostem liczby jednocześnie modyfikowanych węzłów metoda przybliżona odchodzi od prawdziwej relacji, podczas gdy metoda dokładna pozostaje wierna. W dużych zbiorach rzeczywistych danych — sieci cytowań prac z zakresu sztucznej inteligencji oraz szczegółowej mapie 3D naczyń krwionośnych mysiego mózgu — reguły prawdziwe nie są już dostępne, więc używają metody dokładnej, zagregowanej przez wiele przebiegów, jako złotego standardu wyjaśnienia i sprawdzają, jak daleko metoda przybliżona odchodzi. Testy statystyczne i eksperymenty permutacyjne pokazują, że w większości par model–zbiór danych różnice między dwiema metodami są umiarkowane, choć krzywe przybliżone są bardziej zmienne pomiędzy uruchomieniami.

Co te efekty ujawniają o świecie

Ponad samą metodologią, krzywe ALE oferują wgląd w to, czego modele faktycznie się nauczyły. W sieci cytowań wskazują, że prace z wyższym odsetkiem autorów związanych z dużymi firmami technologicznymi są według modelu bardziej skłonne otrzymywać cytowania, co odzwierciedla obawy o rosnący wpływ przemysłu w badaniach AI. W grafie naczyń dwie różne architektury grafowych sieci neuronowych uczą się przeciwnych trendów dotyczących tego, jak wysokość naczynia w mózgu wiąże się z jego łącznością, podkreślając, że ALE ujawnia przekonania modelu, niekoniecznie biologiczną prawdę. Takie rozbieżności mogą wskazywać miejsca, gdzie architektura modelu, dane treningowe lub ewaluacja wymagają przemyślenia.

Wnioski dla czytelników i praktyków

Badanie pokazuje, że Skumulowane Efekty Lokalne można przekształcić, by wyjaśniać przewidywania łączy w grafowych sieciach neuronowych, oferując intuicyjne krzywe pokazujące, jak zmiana cechy węzła podnosi lub obniża prawdopodobieństwo łączy. Obliczanie tych krzywych dokładnie jest bardziej niezawodne, ale wolniejsze, podczas gdy szybsze przybliżenie często wystarcza, jeśli można zaakceptować dodatkowy szum, zwłaszcza przy uśrednianiu wielu przebiegów. Dla osób, które już stosują narzędzia wyjaśniające w standardowych modelach uczenia maszynowego, to dostarcza znajomego, wizualnego sposobu zajrzenia w złożone systemy oparte na grafach i weryfikacji, czy to, czego model się nauczył, rzeczywiście pokrywa się z naszym rozumieniem analizowanych sieci.

Cytowanie: Kaczyńska, P., Sienkiewicz, J. & Ślęzak, D. Accumulated local effects and graph neural networks for link prediction. Sci Rep 16, 8574 (2026). https://doi.org/10.1038/s41598-026-39000-w

Słowa kluczowe: grafowe sieci neuronowe, przewidywanie łączy, wyjaśnialność modeli, skumulowane efekty lokalne, nauka o sieciach